宇树G1+硬件升级与WLA模型开源：具身智能从“看”到“动”的跨越

【科技纵览】9月14日，宇树科技正式推出G1+人形机器人，此次迭代聚焦于感知与运动硬件的全面强化。颈部自由度增至两个，视觉系统整合了双目相机、广角单目及3D激光雷达；肩部与腰部电机峰值扭矩翻倍，发热量却降低约70%。远场拾音升级为前四后二的六麦克风阵列，支持声源定位。头顶新增五个触摸点，背部增设DC 54.6V/5.7A外部供电接口，确保持续运行。这六项硬件升级含税售价定为9.5万元，身体构造愈发拟人化。

值得注意的是，此次发布并未提及内置大模型的更新，因为相关进展已在四天前公布。9月10日，宇树发布了新一代通用人形机器人基础模型UnifoLM-WLA-1.0，其中WLA代表World-Language-Action（世界-语言-动作）。该模型规模达6B参数，配套的UnifoLM-ER-1使用了超500万条具身推理样本，而WLA模型则基于约2500小时的真机数据训练。单一模型即可覆盖64项任务，涵盖10项全身操作与54项桌面操作。首批权重已于9月11日上线，形成了“一具身体挂价签，一颗脑子挂许可证”的独特商业形态。

回溯至9月7日晚，一段38秒的视频引发关注。画面中无遥控器或VR头显介入，一台G1在场地中央面对人类拳手的攻击，成功格挡并回击。视频标注“全程实拍，无加速”，宇树将其定义为全球首次由世界模型实时驱动的全自主格斗演示，背后依托的是另一套未开源的UnifoLM-X2-1.0模型。这一周内的三次动作——先展示实时决策能力，再开源新模型，最后发布升级本体——清晰勾勒出其技术推进节奏。

梳理时间线可见宇树的技术演进路径：2025年9月开源UnifoLM-WMA-0，侧重世界变化预测；2026年1月开源UnifoLM-VLA-0，转向动作生成；直至2026年9月发布WLA-1.0，实现世界建模、语言理解与动作生成的统一。这种从预测环境变化到生成具体动作，再到三者融合的路线，反映了行业对具身智能核心瓶颈的探索。

然而，识别物体不等于能执行操作，中间存在所谓的“grounding gap”。为解决此问题，宇树推出了4B参数的具身推理模型UnifoLM-ER-1，基于Qwen3-VL-4B底座，在多项空间理解基准测试中表现优异。例如在Where2Place和VSR基准中分别获得82.0和88.1的高分，显示出其在空间关系判断上的优势。但需指出，这些数据源自不同来源的非统一评测，横向比较需谨慎看待。

在架构设计上，WLA-1.0摒弃了生成完整未来画面的传统WAM思路，转而采用“以交互为中心的世界建模”。通过光流提取动态区域，并利用VQ-VAE压缩为离散token，模型仅预测发生变化的部分。这种策略大幅减少了无关背景的计算开销，使预测更精准且高效。同时，动作被拆解为末端位姿、手部关节和下半身关节三段，分别编码为离散token并对齐输入，实现了全身协同控制的统一表达。

数据层面，2500小时的真机数据构成了模型的核心壁垒。这些数据主要来自宇树自有数据集及BitRobot-HIW-500等公开资源，涵盖了真实家庭场景中的全身遥操作。相较于仿真数据，真机数据虽采集成本高、产能受限，但能确保物理交互的真实性。与之相比，利用人类第一视角视频转换的方法虽成本低廉，却面临形态差异迁移的挑战。两者各有优劣，实际训练中往往需组合使用。

尽管模型在感知跑分上表现出色，但真机任务成功率仍是检验其价值的最终标准。目前64项任务的测试均基于G1本体，跨品牌机器人的泛化能力尚未验证。此外，格斗演示虽展示了实时闭环能力，但在受控环境下进行，不足以证明其在开放环境中的长期稳定性。从可行走向可用，仍需解决长尾情况处理、跨本体泛化及长时间运行稳定性等问题。

宇树创始人王兴兴曾提出，当机器人在80%陌生场景中凭指令完成80%任务时，具身智能才迎来真正的突破时刻，预计需两三年至十年不等。当前，研究者可下载已开放的权重与数据进行验证，但更值得关注的是其在复杂开放环境中的实际表现。毕竟，感知能力的提升只是第一步，如何在物理世界中稳定、灵活地行动，才是具身智能落地的关键所在。